AI平台运维工程师
岗位摘要
设计并实现十万卡集群的自愈系统，确保训练任务在硬件故障下持续运行；优化资源调度策略，平衡算法迭代的灵活性与生产环境的稳定性；构建大模型训练全链路的可观测性体系，实现GPU利用率、通信延迟等指标的透明化
岗位职责
- 设计并实现十万卡集群的自愈系统，确保训练任务在硬件故障下持续运行
- 优化资源调度策略，平衡算法迭代的灵活性与生产环境的稳定性
- 构建大模型训练全链路的可观测性体系，实现GPU利用率、通信延迟等指标的透明化
- 探索前沿调度系统、网络协议和存储方案，应对模型规模扩大带来的挑战
- 开发运维平台（如CMDB、运维作业、可观测系统），提升运维自动化水平
- 对接第三方平台、监控系统、仓管系统等，完善运维开发需求
- 与运维、采购、研发团队深度协作，持续改进运维体系
任职要求
- 本科及以上学历，计算机相关专业优先
- 具备较好的Python或Golang开发能力，扎实的工程基础
- 熟悉Linux操作系统，理解进程、内存、文件系统、网络等基本原理
- 接触过Docker/Kubernetes等容器化技术，理解Pod、调度、资源配额等概念
- 了解PyTorch/TensorFlow基本工作方式，能解读常见报错信息
- 能用Python或Shell编写脚本解决重复性劳动
- 对RDMA/InfiniBand/GPU架构有了解者加分
- 对AGI有强烈兴趣和好奇心，具备优秀的问题解决能力和逻辑思维
- 良好的沟通能力和团队协作精神
加分项
- 3年以上一线运维经历，深知运维痛点
- 熟悉SRE体系
- 成熟运维平台开发经历
福利待遇
- 提供具有竞争力的薪资，25-50K·14薪
- 接触最核心的AGI基础设施挑战，获得极快成长速度
- 技术自由：鼓励尝试新工具和新方案，由问题决定技术栈
- 与一群对AGI充满热情的优秀同事共事，共同成长
- 面试注重实际能力和思维过程，而非死记硬背或经验年限
工作地址
杭州拱墅区汇金国际西1栋